AI 나레이션, 도구를 바꾸기 전에 대본부터 의심하세요
영상에 넣을 나레이션을 AI로 만들고 싶은데 어느 도구를 써야 할지 모르겠다, 그 상태에서 검색하면 대부분 “ElevenLabs 쓰세요”로 끝납니다. 저도 처음엔 그렇게 믿었어요. 근데 실제로 숏폼 파이프라인을 돌려보니 도구를 바꿔도 여전히 기계 티가 남더라고요. 춘천 원클립AI에서 대본만 넣으면 목소리까지 붙는 무인 파이프라인을 굴리는 입장에서 말하면, 문제의 절반 이상은 대본 쪽입니다.
왜 아무리 좋은 TTS도 기계 티가 나는가
TTS 엔진은 글자를 받아서 소리를 냅니다. 사람은 글을 읽을 때 쉼을 어디에 둘지, 숫자를 어떻게 읽을지 스스로 정하는데 TTS는 안 그래요. 그래서 긴 문장, 숫자, 영어 혼용, 이상한 띄어쓰기가 들어가면 그대로 걸려 넘어집니다. 좋은 엔진은 이걸 잘 추측할 뿐이고, 추측이 틀리면 기계 티가 됩니다.
대본 3줄 고치면 목소리가 달라지는 이유
같은 도구, 같은 목소리에 대본만 고쳐도 결과가 다르게 나옵니다. 문장을 자르고, 숫자를 한글로 풀고, 호흡점을 넣는 것만으로 발음 오류와 어색한 억양이 상당히 줄어요. 도구 탓을 하기 전에 대본 전처리를 먼저 하는 게 순서입니다.
이 글에서 다룰 흐름 한눈에 보기
- 한국어 품질 기준으로 도구 고르는 법
- 대본 수정 레시피 (복사해서 쓰는 체크리스트 포함)
- 상업적 사용·저작권 이야기, 제가 갈아엎은 실패 포함
- API 비용이 어디서 새는지
- 대본 → TTS → 자막 싱크 → 렌더링 자동화 구조
한국어가 자연스러운 TTS 도구, 실제로 써본 기준으로 고르는 법
1인으로 서비스를 굴리다 보니 도구 후보는 전부 직접 돌려봤습니다. 제 기준에서 대충 이렇습니다.
| 도구 | 한국어 품질 | 특징 |
|---|---|---|
| ElevenLabs | 자연스러움 | 억양이 사람 같다. 비용이 글자 단위로 붙는다 |
| OpenAI TTS | 무난 | 안정적이고 API 붙이기 쉽다 |
| Google Cloud TTS | 무난 | 목소리 종류가 많고 문서가 잘 돼 있다 |
| Azure TTS | 좋은 편 | SSML을 넣으면 호흡 조절이 된다 |
선택 기준 3가지: 조사 처리, 숫자 읽기, 호흡
비교할 때 요금표 보지 마시고 이 문장을 각 도구에 넣어보세요. “2026년 10월 13일에 3만 원을 벌었다.” 이 한 문장으로 도구 품질이 갈립니다. 날짜를 어떻게 읽는지, “3만 원”을 제대로 읽는지, 문장 끝 억양이 죽는지. 그다음에 조사가 붙은 표현, 예컨대 “춘천에서” 같은 걸 이어서 테스트해보면 조사 처리 수준이 보입니다.
얼굴 없는 채널에 맞는 목소리 톤 정하기
저는 쇼츠에는 차분한 톤을 씁니다. 임팩트 있는 목소리는 처음엔 좋은데 계속 듣다 보면 피곤해요. 무인으로 돌리는 채널은 같은 목소리가 반복되니, 하루에 여러 번 들려줄 목소리라는 기준으로 골랐습니다.
대본 고치기: 기계 티 없애는 실전 수정 레시피
이게 이 글의 핵심입니다. 저는 이 규칙들을 코드화해서 대본이 들어오면 전처리가 먼저 돌게 만들었어요. 손으로 해도 되고, 규칙이니 스크립트로 박아도 됩니다.
문장을 짧게, 숫자는 한글로: 수정 규칙
- 한 문장이 길어지면 둘로 나눕니다. 쉼표 두 개 이상이면 의심
- 숫자는 한글로 풉니다. “3만 원” → “삼만 원”, “2026년” → “이천이십육년”
- 영어는 발음대로 한글로 쓰거나 발음이 확실한 단어만 남깁니다
- 호흡점을 넣습니다. 마침표 뒤에 공백 하나, 문장 사이엔 짧은 쉼표
- 띄어쓰기를 다시 확인합니다. 조사가 앞말에 붙으면 이상하게 읽는 경우가 있어요
수정 전/후 대본 비교 예시
| 수정 전 | 수정 후 |
|---|---|
| 2026년 기준 AI 시장은 3,000억 원 규모로 성장했으며, 이는 작년 대비 47% 증가한 수치입니다. | 이천이십육년 기준 AI 시장은 삼천억 원 규모로 성장했습니다. 작년보다 사십칠 퍼센트 늘어난 겁니다. |
아래 쪽이 훨씬 사람스럽게 나옵니다. 규칙 자체는 별거 아닌데, 이걸 매번 수동으로 하면 안 하게 되니까 전처리 단계로 박아두는 게 맞았습니다.
복사해서 쓰는 대본 리라이팅 체크리스트
1. 문장당 쉼표는 하나 이하인가
2. 숫자를 전부 한글로 풀었는가
3. 영어 단어를 다시 읽어봤는가 (발음이 애매하면 한글로)
4. 문장 사이에 쉼이 있게 마침표로 나눴는가
5. 조사가 잘못 붙은 곳은 없는가 (“~로써” “~에서의” 같은 걸 쓰지 않았는가)
6. 소리 내어 한 번 읽었을 때 숨이 차지 않는가

상업적 사용과 저작권, 영수증 보여드리며 정리합니다
이 부분을 대충 넘겼다가 저는 한 번 갈아엎었습니다.
도구별 상업 이용 조건 확인하는 법
가격표만 보고 넘어가지 말고, 약관에서 “commercial use”와 “ownership of output”을 직접 검색해서 읽어보세요. 무료 티어는 상업 사용이 막힌 경우가 많습니다. 유료 플랜으로 올라가야 상업 이용이 풀리는 구조가 흔해요. 저는 라이선스가 명시된 툴만 씁니다.
합성 목소리 소유권과 수익화 리스크
합성된 음성 파일의 소유권도 약관마다 다릅니다. 생성물의 권리가 사용자에게 있다고 명시하는 곳이 있는가 하면, 라이선스 형태로 주는 곳도 있어요. 유튜브 수익화는 반복적이고 기계적인 콘텐츠에 제한을 두는 정책이 있으니, AI 나레이션만으로 얼굴 없는 채널을 굴릴 때는 콘텐츠에 큐레이션과 편집이 들어가는 구조로 만드는 편입니다. 성우 목소리를 학습시켜 만든 목소리는 쓰지 않습니다. 권리 관계가 깨끗하지 않으면 나중에 전부 다시 만들어야 해요.
제가 갈아엎은 실패 사례
초기에 성우 스타일 목소리를 테스트해보고 “이거다” 싶어서 채널 톤을 그걸로 잡은 적이 있습니다. 그런데 해당 음성의 상업 사용 조건을 다시 들여다보니 제 용도로는 쓸 수 없는 조합이었어요. 목소리를 버리고 전체 음성을 새로 만들었습니다. 그 뒤로는 목소리를 확정하기 전에 약관부터 읽는 순서로 바꿨습니다.

API 비용 실측: 얼마가 나오고 어디서 새는가
TTS 비용은 글자수 기준입니다. 그래서 비용 관리의 출발점은 글자수를 아는 것에서 시작합니다.
글자 단가와 월 예상 비용 시뮬레이션
계산식은 단순합니다. (한 편 대본 글자수) x (월 영상 편수) x (단가). 제가 굴리는 규모 감으로는 숏폼 한 편 대본이 짧아서 글자수가 크게 부담되진 않습니다. 문제는 총량이 아니라 재생성이에요.
비용 폭탄 터지는 시나리오
- 실패한 생성을 알림 없이 계속 재시도하는 루프
- 테스트 코드를 실제 키로 돌려놓고 잊은 경우
- 같은 대본을 매번 새로 합성 (대본이 바뀌지 않았는데도)
저도 재생성 낭비가 비용에서 꽤 큰 비중을 차지하는 걸 운영하다 발견했습니다. 파이프라인이 자동으로 돌다 보니 실패한 작업이 조용히 재시도를 반복하더라고요.
재생성 낭비 줄이는 캐싱 습관
지금은 대본 텍스트의 해시값을 키로 삼아서, 같은 대본이면 이미 만든 음성을 다시 씁니다. 대본이 바뀌면 해시가 바뀌니 새로 만들고요. 간단한 규칙인데 재생성 비용이 잡혔습니다. 음성 캐시 폴더를 주기적으로 비우지 않는 것도 포인트입니다. 스토리지는 싸니까요.

대본만 넣으면 목소리까지: 자동 파이프라인 흐름
숏폼 자동 제작 파이프라인의 작업 폴더가 최근 30일에 253개 쌓였고, 쇼츠용 렌더 영상이 같은 기간 39편 나왔습니다. 그 파이프라인에서 음성이 끼는 자리를 정리합니다.
대본 → TTS → 자막 싱크 → 렌더링 순서
- 대본 확정 (전처리 규칙 통과)
- TTS 호출, 음성 파일 저장 (캐시 조회 먼저)
- 음성에서 타임스탬프 추출, 자막 싱크 생성
- 영상 소스와 합쳐서 렌더링 큐에 적재
- 렌더 완료 후 업로드, 결과 기록
크론으로 무인으로 돌리는 구조와 실패 지점
서버에 크론이 70개 돌고 있는데 그중 숏폼 담당도 하루 종일 주기적으로 돕니다. 자주 깨지던 지점은 이렇습니다. 첫째, 대본이 예상보다 길어져서 음성 길이가 영상 길이를 넘는 경우. 둘째, TTS가 지원하지 않는 문자를 만나서 합성이 실패하는 경우. 셋째, 조용히 실패한 작업이 감지 안 되고 쌓이는 경우. 지금은 각 단계에서 실패하면 상태를 남기고 알리게 해두었고, 대본 전처리에서 문제 문자를 미리 걸러냅니다.
음성 파일 관리 규칙
파일명은 “날짜_대본해시_목소리ID.wav” 규칙으로 통일했습니다. 포맷은 wav로, 샘플레이트를 도구 기본값에 맞춥니다. 샘플레이트가 섞이면 렌더링 단계에서 소리가 이상하게 나오거나 실패하는데, 원인 찾느라 애먹은 기억이 있어요. 그 뒤로는 파이프라인 안에서 포맷 변환을 한 곳에 몰아뒀습니다.
정리: 오늘 바로 시작하는 5단계 액션 플랜
- 무료 티어로 도구 2~3개를 “날짜 + 금액” 문장으로 테스트한다
- 약관에서 상업 사용과 소유권 문구를 직접 찾아 읽는다
- 대본 수정 체크리스트를 돌려서 같은 문장을 다시 만들어 비교한다
- 캐싱 규칙(대본 해시 → 음성 파일)을 정해둔다
- 한 편만 수동으로 끝까지 만들어보고, 흐름이 확인되면 자동화에 붙인다
이럴 땐 AI 대신 사람 목소리입니다
브랜드 대표가 나오는 영상, 감정이 중요한 스토리텔링, 음성 자체가 콘텐츠인 팟캐스트형은 사람이 낫습니다. 저도 서비스 홍보는 자동으로 굴리지만 사람 목소리가 필요한 자리는 구분해서 씁니다. AI 나레이션은 “대량으로, 꾸준히, 무인으로”가 필요한 자리의 도구예요.
다음 글에서 다룰 것
이 음성 파이프라인이 붙는 전체 숏폼 제작 구조, 그리고 자막 싱크가 깨지는 케이스별 대처를 다음에 정리하겠습니다. 궁금한 지점 있으면 댓글로 남겨주세요, 다음 글 소재로 반영합니다.
참고한 공식 문서
1인 빌더 아일리고가 씁니다. 잘된 것도 망한 것도 적습니다. 영상은 제가 만든 ClipSquare 에서 나옵니다.
